[发明专利]一种用于矿井通风机的神经网络自适应调速方法

摘要

本发明涉及一种用于矿井通风机的神经网络自适应调速方法，包括：利用瓦斯浓度传感器、压力传感器、激光转速仪分别测量巷道瓦斯浓度、风压、电机的转速等风机风量影响参数信息，并利用神经网络优良的非线性映射能力，建立了所述风量影响因素与通风机转速之间的非线性映射关系，获得矿井通风机自适应控制模型。本技术方案通过应用Elman神经网络和自适应遗传优化方法，并结合变频调速技术，实现了对矿井通风机风量的准确控制。该方法收敛速度快、精度高且具有较好的稳定性，在达到所需风量的同时有效节约了能源。

主权项

1.一种基于改进型动态前馈神经网络的矿井通风机自适应调速方法，其特征在于，包括以下步骤：步骤一：采用Elman神经网络对矿井通风量进行自适应控制调节，其网络状态表达式为：X_c(t)＝S(t‑1)y(t)＝g(S(t))其中，S(t)为隐藏层输出，g为传递函数，U(t)为t时刻输入层的外部输入，X_c(t)为隐藏层自身反馈回来的状态信息，y(t)为网络输出；步骤二：网络结构的确定：首先，由于矿井通风系统所需供应的通风量受多种因素影响，因此取五个主要因素，即瓦斯浓度、风压、温度、风速、风机转速作为Elman神经网络的输入变量，以控制通风机的转速为输出变量，建立风量影响因素与通风机转速之间的非线性动态映射关系，并根据矿井通风系统实际控制输入量对模型进行随机初始化，设置初始权值、阈值、约束条件、最大迭代次数；步骤三：训练数据预处理：为了提高Elman神经网络的泛化能力及收敛速度，对步骤二中采集到的通风量影响因素数据进行归一化处理，使其全部映射到[‑1,1]之间，公式为：式中，Z为规格化后的数据，X_min为原始数据最小值，X_max为原始数据最大值，X为原始数据；步骤四：将步骤三中处理好的样本数据输入到Elman神经网络中进行训练；步骤五：计算Elman网络实际输出与样本输出值之间的训练误差，求得适应度函数值，并将智能控制系统上一时刻输出值的引入到模型网络的输入层中，以提高模型的实时性；步骤六：进行自适应GA选择、交叉、变异操作，并根据适应度值对GA算法中的变异概率因子P_m进行自适应选择，以此对Elman神经网络的权值、阈值进行寻优；步骤七：根据终止条件计算完成后，得到最优的IGA‑ENN耦合模型，并利用其对测试集进行训练，当运算结束后，对输出值再进行反规格化处理，以此得到准确的运算结果，公式为：X＝Z(X_max‑X_min)+X_min由此得到最优的通风机转速控制模型；所述步骤六中的对变异概率因子进行自适应选择公式为：式中，f_avg、f_max分别为适应度平均值及最大值，f_a为要进行变异操作的染色体个体的适应度值；所述步骤五的适应度函数为：其中，为系统在t时刻N个数据样本的期望输出，y(t)为系统实际输出。